Создание мультиагентной AI-системы с CrewAI и Gemini в Google Colab

Настройка мультиагентной AI-системы

В этом руководстве показано, как создать сквозную систему AI-агентов с помощью CrewAI и моделей Google Gemini в среде Google Colab. Процесс начинается с установки необходимых пакетов, безопасной настройки API-ключа Gemini и создания специализированных агентов для исследований, анализа данных, создания контента и контроля качества. Эти агенты работают последовательно для эффективного выполнения сложных задач.

Установка необходимых пакетов

Окружение готовится путем автоматической установки библиотек CrewAI, Gemini и вспомогательных инструментов. Пример кода для установки:

import subprocess
import sys
import os
 
def install_packages():
    """Установка нужных пакетов в Colab"""
    packages = [
        "crewai",
        "crewai-tools",
        "google-generativeai",
        "python-dotenv",
        "langchain-google-genai"
    ]
   
    for package in packages:
        try:
            print(f" Установка {package}...")
            subprocess.check_call([sys.executable, "-m", "pip", "install", package, "-q"])
            print(f" {package} успешно установлен!")
        except Exception as e:
            print(f" Ошибка установки {package}: {e}")
 
print(" Настройка окружения Google Colab...")
install_packages()
print(" Все пакеты установлены!")

Конфигурация API-ключа Gemini

Система получает API-ключ Gemini из секретов Colab или запрашивает у пользователя для безопасной аутентификации доступа к модели Gemini.

def setup_api_key():
    """Настройка API-ключа Gemini в Colab"""
    try:
        api_key = userdata.get('GEMINI_API_KEY')
        print(" API-ключ загружен из секретов Colab!")
        return api_key
    except:
        print(" API-ключ Gemini не найден в секретах Colab.")
        print("Пожалуйста, выполните следующие шаги:")
        print("1. Перейдите на https://makersuite.google.com/app/apikey")
        print("2. Создайте бесплатный API-ключ")
        print("3. В Colab выберите (Secrets) в левой панели")
        print("4. Добавьте новый секрет с именем 'GEMINI_API_KEY' и вашим ключом")
        print("5. Разрешите доступ ноутбука к секрету")
        print("6. Запустите ячейку снова")
       
        from getpass import getpass
        api_key = getpass("Или введите ваш API-ключ Gemini здесь (ввод будет скрыт): ")
        return api_key
 
GEMINI_API_KEY = setup_api_key()

Определение мультиагентной системы

Сердцем пайплайна является класс ColabGeminiAgentSystem. Он настраивает API Gemini, инициализирует инструменты для чтения файлов и создает четыре специализированных агента:

• Аналитик-исследователь — проводит глубокие исследования
• Аналитик данных — выполняет анализ данных
• Создатель контента — формирует доступный и увлекательный контент
• Специалист по контролю качества — обеспечивает высокое качество результатов

Каждый агент имеет уникальные роли, цели и возможности памяти для эффективного последовательного взаимодействия.

Создание и выполнение задач

Система поддерживает разные типы задач:

• Комплексные — полный цикл от исследования до контроля качества
• Быстрые — краткий анализ и сводка
• Аналитические — глубокий анализ данных

Задачи создаются и распределяются между агентами, которые выполняют их последовательно, обеспечивая продуктивное сотрудничество.

Интерактивный интерфейс командной строки

Пользователи могут управлять системой через команды:

• research [тема] — комплексное исследование
• quick [тема] — быстрый анализ
• analyze [тема] — глубокий анализ
• history — просмотр истории результатов
• help — помощь по командам

Это превращает ноутбук в интерактивную песочницу для исследовательских проектов без дополнительного кодирования.

Вспомогательные функции и управление результатами

Реализованы функции для скачивания результатов, сохранения на Google Диск и красивого отображения Markdown-отчетов, что упрощает обмен и архивирование данных.

Демонстрации и примеры

В руководстве приведены примеры быстрого и глубокого анализа тем, таких как машинное обучение и устойчивые энергетические решения, показывающие гибкость системы.

Пример использования

# Быстрый анализ
result = agent_system.execute_colab_project("Machine Learning Trends", "quick")
print(result)
 
# Отображение результата в формате Markdown
ColabUtils.display_formatted_result(result)

Советы и устранение неполадок

• Для ускорения используйте задачи типа "quick"
• Результаты сохраняются автоматически
• При проблемах с памятью перезапустите среду
• Проверяйте лимиты API при ошибках

Эта система позволяет быстро и удобно создавать масштабируемые AI-процессы для исследований и создания контента с использованием мощных языковых моделей и мультиагентного взаимодействия в Google Colab.